CN115474211A - 小区配置参数优化方法、装置，以及，电子设备 - Google Patents

Abstract

本申请公开了一种小区配置参数优化方法及装置，属于通信技术领域。所述方法包括：基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区；对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，其中，所述目标簇为目标小区归属簇，所述目标小区匹配第一负荷状态；根据所述关系模型，确定所述目标小区的配置参数优化方案。本方法，通过结合机器学习等大数据处理方法，对小区进行小区场景分类，之后，针对各小区场景通过机器学习方法挖掘小区配置参数和性能指标的内在关系，并基于挖掘到的内在关系搜索高负荷小区的优化配置参数，提升了小区的配置参数优化效率。

Description

小区配置参数优化方法、装置，以及，电子设备

技术领域

本申请涉及通信技术领域，特别是涉及小区配置参数优化方法、装置，以及，电子设备及计算机可读存储介质。

背景技术

小区配置参数优化是提升网络资源利用效率，改善用户在网通信体验的关键问题。例如，在4G通信网络中，部分持续高负荷的小区由于网络资源受限，导致用户感知较差，需要及时对高负荷小区进行降压处理。现有技术中，通常是通过人工核查的方法，确定高负荷小区存在的问题，并针对性由人工给出解决方案。这种人工优化方法至少存在效率低的缺陷。

可见，现有技术中的小区配置参数优化方法还需要改进。

发明内容

本申请实施例提供一种小区配置参数优化方法及装置，能够提升小区配置参数优化的效率。

第一方面，本申请实施例提供了一种小区配置参数优化方法，包括：

基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区；

对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，其中，所述目标簇为目标小区归属簇，所述目标小区匹配第一负荷状态；

根据所述关系模型，确定所述目标小区的配置参数优化方案。

可选的，所述根据所述关系模型，确定所述目标小区的配置参数优化方案，包括：

通过所述关系模型预估参考所述目标小区的相似小区调整配置参数后对应的性能指标，采用爬山算法进行局部最优配置参数搜索，确定所述目标小区的优化配置参数，其中，所述相似小区为所述目标簇中匹配第二负荷状态的小区；

根据所述优化配置参数，确定所述目标小区的配置参数优化方案。

可选的，所述通过所述关系模型预估参考所述目标小区的相似小区调整配置参数后对应的性能指标，采用爬山算法进行局部最优配置参数搜索，确定所述目标小区的优化配置参数，包括：

根据目标小区确定当前节点，以及，根据所述目标小区的相似小区确定邻居节点；

通过所述关系模型获取当前节点的配置参数对应的当前节点性能指标；

响应于所述当前节点性能指标为所述邻居节点对应的最优性能指标，确定当前节点的配置参数作为所述目标小区的优化配置参数；

响应于当前节点性能指标非所述邻居节点对应的最优性能指标，通过目标邻居节点替换当前节点，跳转至所述通过所述关系模型获取当前节点的配置参数对应的当前节点性能指标的步骤，执行迭代攀爬，直至迭代攀爬次数达到预设迭代次数阈值，确定当前节点对应的配置参数为所述目标小区的优化配置参数，其中，所述目标邻居节点为：与当前节点对应的小区运行场景相似度最高的所述相似小区对应的邻居节点。

可选的，所述根据目标小区确定当前节点，以及，根据所述目标小区的相似小区确定邻居节点之前，还包括：

确定所述目标小区分别与各所述相似小区的运行场景相似度；

所述根据所述关系模型，确定所述目标小区的配置参数优化方案之后，还包括：

输出所述目标小区的配置参数优化方案，和/或，输出所述目标小区分别与各所述相似小区的运行场景相似度。

可选的，所述对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，包括：

根据目标簇中包括的小区的预设配置参数的特征值，构造输入矩阵，以及，根据所述目标簇中包括的小区的预设性能指标的特征值，构造输出矩阵；

采用解决多变量回归问题的机器学习模型，学习所述输入矩阵和所述输出矩阵之间的关系，得到所述目标簇对应的配置数据与性能指标数据的关系模型。

可选的，所述基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区，包括：

获取各所述小区的预设用户分布特征；

基于所述预设用户分布特征，计算相应小区之间的相似度距离，并基于所述相似度距离对所述小区进行K-means聚类，确定多个簇，以及，确定每个所述簇中包括的小区。

可选的，所述获取各所述小区的预设用户分布特征，包括：

基于各小区在指定时间段内的测量报告数据，获取相应小区的预设用户分布特征，其中，所述预设用户分布特征包括以下一种或多种：小区上行利用率算术平均数、小区下行利用率算术平均数、最大用户数算术平均数、用户数方差、流量方差、用户数峰度系数、小区上行利用率峰度系数、小区下行利用率峰度系数、流量峰度系数、用户数偏态系数、小区上行利用率偏态系数、小区下行利用率偏态系数、流量偏态系数。

第二方面，本申请实施例提供了一种小区配置参数优化装置，包括：

小区聚类模块，用于基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区；

配置参数和性能关系模型训练模块，用于对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，其中，所述目标簇为目标小区归属簇，所述目标小区匹配第一负荷状态；

配置参数优化方案确定模块，用于根据所述关系模型，确定所述目标小区的配置参数优化方案。

可选的，所述配置参数优化方案确定模块，进一步用于：

通过所述关系模型预估参考所述目标小区的相似小区调整配置参数后对应的性能指标，采用爬山算法进行局部最优配置参数搜索，确定所述目标小区的优化配置参数，其中，所述相似小区为所述目标簇中匹配第二负荷状态的小区；

根据所述优化配置参数，确定所述目标小区的配置参数优化方案。

可选的，所述通过所述关系模型预估参考所述目标小区的相似小区调整配置参数后对应的性能指标，采用爬山算法进行局部最优配置参数搜索，确定所述目标小区的优化配置参数，包括：

根据目标小区确定当前节点，以及，根据所述目标小区的相似小区确定邻居节点；

通过所述关系模型获取当前节点的配置参数对应的当前节点性能指标；

响应于所述当前节点性能指标为所述邻居节点对应的最优性能指标，确定当前节点的配置参数作为所述目标小区的优化配置参数；

响应于当前节点性能指标非所述邻居节点对应的最优性能指标，通过目标邻居节点替换当前节点，跳转至所述通过所述关系模型获取当前节点的配置参数对应的当前节点性能指标的步骤，执行迭代攀爬，直至迭代攀爬次数达到预设迭代次数阈值，确定当前节点对应的配置参数为所述目标小区的优化配置参数，其中，所述目标邻居节点为：与当前节点对应的小区运行场景相似度最高的所述相似小区对应的邻居节点。

可选的，所述根据目标小区确定当前节点，以及，根据所述目标小区的相似小区确定邻居节点之前，还包括：

确定所述目标小区分别与各所述相似小区的运行场景相似度；

所述根据所述关系模型，确定所述目标小区的配置参数优化方案之后，还包括：

输出所述目标小区的配置参数优化方案，和/或，输出所述目标小区分别与各所述相似小区的运行场景相似度。

可选的，所述配置参数和性能关系模型训练模块，进一步用于：

根据目标簇中包括的小区的预设配置参数的特征值，构造输入矩阵，以及，根据所述目标簇中包括的小区的预设性能指标的特征值，构造输出矩阵；

采用解决多变量回归问题的机器学习模型，学习所述输入矩阵和所述输出矩阵之间的关系，得到所述目标簇对应的配置数据与性能指标数据的关系模型。

可选的，所述小区聚类模块，进一步用于：

获取各所述小区的预设用户分布特征；

基于所述预设用户分布特征，计算相应小区之间的相似度距离，并基于所述相似度距离对所述小区进行K-means聚类，确定多个簇，以及，确定每个所述簇中包括的小区。

可选的，所述获取各所述小区的预设用户分布特征，包括：

基于各小区在指定时间段内的测量报告数据，获取相应小区的预设用户分布特征，其中，所述预设用户分布特征包括以下一种或多种：小区上行利用率算术平均数、小区下行利用率算术平均数、最大用户数算术平均数、用户数方差、流量方差、用户数峰度系数、小区上行利用率峰度系数、小区下行利用率峰度系数、流量峰度系数、用户数偏态系数、小区上行利用率偏态系数、小区下行利用率偏态系数、流量偏态系数。

第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的小区配置参数优化方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本申请实施例公开的小区配置参数优化方法的步骤。

本申请实施例公开的小区配置参数优化方法，通过基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区；对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，其中，所述目标簇为目标小区归属簇，所述目标小区匹配第一负荷状态；根据所述关系模型，确定所述目标小区的配置参数优化方案，可以自动输出针对目标小区的配置参数优化方案，提升了小区配置参数的优化效率。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1是本申请实施例中的小区配置参数优化方法流程图之一；

图2是本申请实施例中的小区配置参数优化方法流程图之二；

图3是本申请实施例中的小区配置参数优化中确定配置参数优化方案步骤的流程图；

图4是本申请实施例中的小区配置参数优化装置结构示意图；

图5示意性地示出了用于执行根据本申请的方法的电子设备的框图；以及

图6示意性地示出了用于保持或者携带实现根据本申请的方法的程序代码的存储单元。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例中公开的小区配置参数优化方法，应用对高负荷小区的识别，以及，针对高负荷小区存在的性能问题，自动的给出针对性解决方案。例如，对于室分类型的高负荷小区，给出小区分裂或扩容的解决方案；针对宏站类小区，在小区的TA一倍站间距外接入占比大于预设占比阈值时，给出下压下倾角的解决方案，在基站小区数小于预设数量阈值时，给出增加扇区的解决方案等。对于一些复杂情况，例如，对于同站同方向有异频的宏站，则需要进一步根据小区的具体配置参数分析引起小区高负荷的原因，并给针对性的解决方案。基于此需求，本申请实施例公开的一种小区配置参数优化方法，结合大数据处理和机器学习技术，给出高负荷小区的配置参数优化方案。

如图1所示，本申请实施例公开的一种小区配置参数优化方法包括：步骤110至步骤130。

步骤110，基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区。

本申请的实施例中，首先基于用户分布特征对小区进行聚类，将小区场景相似的小区，聚类到一个簇(即小区簇)中，便于后续针对不同的小区场景，基于该小区场景对应的簇中的小区数据进行分析，获取小区的配置参数和性能指标之间的关系。

其中，所述用户分布特征为能够表达小区的访问流量大小、访问量基于时间的分布趋势、变化趋势等的特征。

用于进行聚类的小区的分布范围根据业务需求确定，包括指定区域内的匹配各种负荷状态的小区。例如包括：高负荷小区(即下文中所述的匹配第一负荷状态的小区)，以及，非高负荷小区(即下文中所述的匹配第二负荷状态的小区)。

例如，在需要对某个省份的小区在过去一周内小区的负荷状态进行分析时，可以将该省内的所有小区作为待聚类的小区。

经过对小区进行聚类，小区基于用户分布特征相似度被划分为多个簇，每个簇中可以包括一个或多个所述小区。

步骤120，对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，其中，所述目标簇为目标小区归属簇，所述目标小区匹配第一负荷状态。

本申请实施例中，将需要进行配置优化的小区称为“目标小区”，本申请的实施例中，将高负荷状态定义为“第一负荷状态”。本申请的实施例中所述的目标小区为：处于高负荷状态的小区，即目标小区匹配第一负荷状态。

在本申请实施例通过参考与高负荷小区具有相似小区场景的非高小区的配置数据，自动优化相应的高负荷小区的配置参数，从而实现对高负荷小区的自动优化。因此，在需要确定目标小区的优化配置参数时，进一步的，需要挖掘与该目标小区具有相似小区场景的非高负荷小区的配置数据和性能指标之间内在关系，从而基于挖掘到的关系对目标小区的配置参数进行优化。

其中，与高负荷小区具有相似小区场景的小区，即为与目标小区同被聚类到一个簇中的小区。

本申请的实施例中，基于用户分布特征聚类到同一个簇中的小区，可以既包括匹配第一负荷状态的小区(即高负荷小区)，又包括匹配第二负荷状态的小区(即正常负荷小区，或低负荷小区)。

本申请的一些实施例中，可以利用机器学习技术，通过训练机器学习模型，自动学习匹配第二负荷状态(如低负荷状态)的小区的配置参数与性能指标的内在关系。这样，训练得到的机器学习模型可以作为优选配置参数与性能指标之间的关系模型，用于表达小区的配置参数和性能指标之间的关系。

本申请的一些实施例中，还可以基于一个簇中包括的全部小区的配置数据和性能指标数据之间的关系，通过训练机器学习模型，自动学习小区的配置参数与性能指标的内在关系。在学习过程中，匹配第一负荷状态的小区作为负样本，匹配第二负荷状态的小区作为正样本，这样，可以有效验证训练得到的关系模型对匹配第二负荷状态(如低负荷状态)的小区的配置参数与性能指标的内在关系的表达能力。

步骤130，根据所述关系模型，确定所述目标小区的配置参数优化方案。

在基于对目标小区所归属的簇中的小区的配置参数与性能指标学习得到确定的关系模型之后，对于给定的一组配置参数，可以预估到对应的性能指标，因此，通过调整目标小区的配置参数，可以预估调整后的配置参数对应的性能指标，从而，可以确定是目标小区进入第二负荷状态(如低负荷状态)的优选配置参数。

之后，根据确定的优选配置参数，输出相应的配置参数优化方案。

本申请实施例公开的小区配置参数优化方法，通过基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区；对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，其中，所述目标簇为目标小区归属簇，所述目标小区匹配第一负荷状态；根据所述关系模型，确定所述目标小区的配置参数优化方案，可以自动输出针对目标小区的配置参数优化方案，提升了小区配置参数的优化效率。

本申请实施例公开的小区配置参数优化方法，通过结合机器学习等大数据处理方法，对小区进行小区场景分类，之后，针对各小区场景通过机器学习方法挖掘小区配置参数和性能指标的内在关系，并基于挖掘到的内在关系搜索高负荷小区的优化配置参数，并自动输出配置参数优化方案，能够快速输出高负荷小区的优化方案，提升了小区的配置参数优化效率。进一步的，通过快速、准确地为高负荷小区压降，提高了网络资源利用率。

为了便于读者理解本方案，下面进一步对本申请实施例公开的小区配置参数优化方法的各个步骤的具体实施方式进行进一步阐述。

前述步骤110中需要进行聚类的小区是根据具体业务需求确定的小区。本申请的一些实施例中，如图2所示，在基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区之前，还包括：步骤100、步骤102和步骤104。

步骤100，获取指定时间段内指定区域内小区的关联数据。

本申请实施例中，基于各个小区的用户分布特征对小区进行聚类。在实施本方案之前，首先需要获取指定时间段内的小区级数据。例如，首先获取指定时间段内的指定区域的各小区的工参数据(如小区方位角、压电子下倾角、方位角、小区用户分布距离等)、测量报告(measurement report，MR)数据(如小区上行利用率、下行利用率、RRC用户数等)、小区配置数据(如接入RRU信息等)、网管性能数据等原始数据。

步骤102，对所述关联数据进行特征提取和转换，得到格式化数据。

所述格式化数据是用于进行小区聚类、关系模型训练的数据，每条所述格式化数据对应一个小区，所述格式化数据中包括：各预设用户分布特征的特征值、预设配置参数的特征值、预设性能指标的特征值，以及，小区名称等。

在获取到指定时间段内指定区域内小区的关联数据之后，根据本申请实施例公开的小区配置参数优化中，进行小区聚类、关系模型训练、生成配置参数优化方案等操作需求的数据项，通过数据处理平台对前述获取的原始数据进行特征提取、转换和格式化处理，得到格式化数据。

对小区的关联数据进行特征提取、转换和格式化处理的具体技术手段可以采用现有技术，此处不再赘述。

步骤104，基于所述格式化数据，确定各小区匹配的负荷状态，以及，场景类型。

本申请的实施例中，所述场景类型包括但不限于：大流量场景、低流量场景、多用户场景、低用户场景。本申请的实施例中，所述负荷状态包括：第一负荷状态和第二负荷状态。如前所述，所述第一负荷状态指高负荷状态，所述第二负荷状态至非高负荷状态，例如为：低负荷状态或正常负荷状态。

本申请的一些实施例中，可以基于所述格式化数据，按照预设规则确定各小区匹配的负荷状态，以及，场景类型。例如，基于所述格式化数据中负荷类KPI(key performanceindicator，关键性能指标)，确定各小区匹配的负荷状态，以及，场景类型。

例如，流量场景的判断规则包括：对于高频小区(例如频率为1.8G或2.1G的小区)，PRB(Physical Resource Block，物理资源块)利用率大于等于预设利用率阈值(如70％)，且PDCP(Packet Data Convergence Protocol，分组数据汇聚协议)层流量大于等于第一预设流量阈值(如11.2G)；对于低频小区(例如频率为800M的小区)，PRB利用率大于等于所述预设利用率阈值，且PDCP层流量大于等于第二预设流量阈值(如2.8G)。再例如，多用户场景的判断规则包括：对于高频小区，PRB(Physical Resource Block，物理资源块)利用率大于等于所述预设利用率阈值，且RRC(Radio Resource Control：无线资源控制协议)连接用户数大于等于第一预设用户数阈值(如280)；对于低频小区(例如频率为800M的小区)，PRB利用率大于等于所述预设利用率阈值，且RRC连接用户数大于等于第二预设用户数阈值(如70)。

按照此方法，可以确定某一小区是否为大流量场景，或者是否为多用户场景。

进一步的，可以设置当某一小区每周自忙时中有或指定天数(如4天)满足上述大流量场景或者多用户场景，或者既满足大流量场景又满足多用户场景时，认为该小区为高负荷小区，即该小区匹配第一负荷状态。反之，认为该小区匹配第二负荷状态。

按照此方法，可以确定每个小区匹配的负荷状态和匹配的场景类型。

本申请的实施例中，可以通过为各个小区对应的格式化数据设置标签的形式，建立小区、匹配的负荷状态、场景类型、格式化数据等之间的对应关系。

在数据准备工作完成之后，接下来，基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区。

本申请的一些实施例中，所述基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区，包括：获取各所述小区的预设用户分布特征；基于所述预设用户分布特征，计算相应小区之间的相似度距离，并基于所述相似度距离对所述小区进行K-means聚类，确定多个簇，以及，确定每个所述簇中包括的小区。

小区的MR数据可以较好地反映小区的用户分布情况，通过对MR数据的分析处理挖掘小区的潜在相似模式。

本申请的一些实施例中，所述获取各所述小区的预设用户分布特征，包括：基于各小区在指定时间段内的测量报告数据，获取相应小区的预设用户分布特征，其中，所述预设用户分布特征包括以下一种或多种：小区上行利用率算术平均数、小区下行利用率算术平均数、最大用户数算术平均数、用户数方差、流量方差、用户数峰度系数、小区上行利用率峰度系数、小区下行利用率峰度系数、流量峰度系数、用户数偏态系数、小区上行利用率偏态系数、小区下行利用率偏态系数、流量偏态系数。

上述各预设用户分布特征的特征值的提取方式参见现有技术，本申请实施例中不再赘述。本领域技术人员应当理解，上述预设用户分布特征仅仅是可以用来表达小区用户分布的部分特征，而不是全部特征。具体实施时，可以根据小区分布的地域特点，确定预设用户分布特征，之后，根据小区的MR数据计算选择的预设用户分布特征的特征值。

在确定了每个小区的所述预设用户分布特征的特征值之后，进一步基于上述预设用户分布特征的特征值，计算两两小区之间的相似度，并基于计算得到的相似度对小区进行迭代聚类。

本申请的一些实施例中，可以采用K-means聚类算法，对获取的小区进行聚类，以实现基于用户分布特征维度的场景划分。下面以小区数量为N，预设用户分布特征包括M种为例，对聚类过程进行阐述。

本申请的一些实施例中，可以将待聚类的小区的数量表示为M行N列的数据矩阵，其中，矩阵的每一行对应一个小区，每一行中的矩阵元素为相应小区的上述用户分布特征，每一行的矩阵元素作为一个数据对象。在聚类过程中，首先随机从数据矩阵中选取K个数据对象作为初始聚类中心(即随机选择K个小区作为聚类中心)，然后，计算各行矩阵元素对应的数据对象与聚类中心之间的距离，把数据对象归到距离它最近的那个聚类中心所在的类。

本申请的一些实施例中，可以采用欧式距离计算数据对象之间的距离。例如，采用如下公式计算数据对象之间的距离：

其中，x_i和x_j分别标表示数据矩阵中的第i行和第j行矩阵元素，即第i个数据对象和第j个数据对象，x_i,d表示第i个数据对象的第d种用户分布特征，对应数据矩阵中第i行第d列的元素值，x_j,d表示第j个数据对象的第d种用户分布特征，对应数据矩阵中第j行第d列的元素值，dist(x_i，x_j)表示第i个数据对象和第j个数据对象之间的欧式距离。由以上距离计算方法可以得出，第i个数据对象和第j个数据对象之间的距离，反映了第i个数据对象对应的小区和第j个数据对象对应的小区之间的相似度。经过一轮聚类，与每个作为聚类中心的小区相似度高的小区，将被聚到以该小区为类中心的簇中。

接下来，更新簇中心。例如，可以区取对应簇中所有数据对象的均值，作为更新后该簇的类簇中心。以包括G个数据对象的簇为例，可以通过以下公式计算第k个簇的簇中心Center_k：

其中，G_k为第k个簇中的数据对象总数量(对应小区总数量)，C_k为第k个簇中的数据对象集合，x_i为第k个簇中的数据对象。其中，求和是指对簇k中所有数据对象每个特征维度上特征值分别进行求和，因此，簇中心是一个含有M个特征值的向量。例如，表示为Center_k＝(Center_k,1,Center_k,2,…,Center_k,M)。

通过不断地迭代来重新划分簇，并更新簇中心，直至到设定的迭代次数，此时所得簇即最终聚类结果。

接下来，基于每个簇中包括的小区的配置参数和性能指标数据，可以分别获得各个簇中小区的配置数据和性能指标之间的关系模型。

前述步骤120中，所述对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，包括：根据目标簇中包括的小区的预设配置参数的特征值，构造输入矩阵，以及，根据所述目标簇中包括的小区的预设性能指标的特征值，构造输出矩阵；采用解决多变量回归问题的机器学习模型，学习所述输入矩阵和所述输出矩阵之间的关系，得到所述目标簇对应的配置数据与性能指标数据的关系模型。

本申请的一些实施例中，所述预设配置参数包括以下一种或多种：资源配置参数、频点配置参数和边界电平配置参数。其中，资源配置参数、频点配置参数和边界电平配置参数包括的具体参数根据具体业务需求确定，各具体参数的特征值，可以通过前文对工参数据、小区配置数据、MR数据、网管性能数据等原始数据进行数据处理后得到的格式化数据中获取。

本申请的一些实施例中，所述预设性能指标包括以下一种或多种：RRC最大连接用户数、上行PRB利用率和下行PRB利用率。所述预设性能指标的特征值可以通过前文对工参数据、小区配置数据、MR数据、网管性能数据等原始数据进行数据处理后得到的格式化数据中获取。

以目标小区所在簇中包括N个小区，整个簇中的小区覆盖的预设配置参数包括P种，预设性能指标包括Q项为例，根据目标小区所在簇中包括N个小区的配置数据，可以生成一个N行P列的参数矩阵，和一个N行Q列的性能指标矩阵。所述参数矩阵中，每一行的矩阵元素对应一个小区，每一列的矩阵元素对应一种配置参数的特征值。所述性能指标矩阵中，每一行的矩阵元素对应一个小区，每一列的矩阵元素对应一项性能指标的特征值。

接下来，基于所述参数矩阵和所述性能指标矩阵，训练表达配置参数和性能指标之间关系的关系模型。

本申请的实施例中，研究性能指标与配置参数的关系时，将此问题建模为多变量回归问题。使用算法模型学习回归问题的内在关系，使用训练数据训练模型。例如，以参数矩阵作为输入矩阵，以性能指标矩阵作为输出矩阵，训练多变量回归模型，得到表达所述预设配置参数与预设性能指标之间关系的关系模型。在关系模型训练过程中，可以将输入矩阵(即参数矩阵)中的数据，转换为列矩阵，作为机器学习模型的输入，同理，将输出矩阵(即转换性能指标矩阵)转换为列矩阵，作为机器学习的输出，从而学习各种配置参数的组合与各项性能指标组合之间的内在映射关系。

训练得到配置参数和性能指标之间的关系模型之后，对于一组给定的配置参数，通过所述关系模型学习到的映射关系，可以预估对应的性能指标。这样，通过不断调整某一小区的配置参数，并通过关系模型评估对应的性能指标，就可以寻找到使性能指局部最优的配置参数，作为该小区的局部最优配置参数。

本申请的一些实施例中，如图3所示，前述步骤130进一步包括：子步骤1301和子步骤1302。

子步骤1301，通过所述关系模型预估参考所述目标小区的相似小区调整配置参数后对应的性能指标，采用爬山算法进行局部最优配置参数搜索，确定所述目标小区的优化配置参数，其中，所述相似小区为所述目标簇中匹配第二负荷状态的小区。

例如，首先以目标小区的配置参数对应当前节点，通过迭代调整配置参数，逐步搜寻使关系模型输出的性能指标更高的配置参数，实现逐渐向高峰攀爬的目的。如此循环直到达到预设迭代次数，得到局部最优配置参数。

本申请的一些实施例中，所述通过所述关系模型预估参考所述目标小区的相似小区调整配置参数后对应的性能指标，采用爬山算法进行局部最优配置参数搜索，确定所述目标小区的优化配置参数，包括：根据目标小区确定当前节点，以及，根据所述目标小区的相似小区确定邻居节点；通过所述关系模型获取当前节点的配置参数对应的当前节点性能指标；响应于所述当前节点性能指标为所述邻居节点对应的最优性能指标，确定当前节点的配置参数作为所述目标小区的优化配置参数；响应于当前节点性能指标非所述邻居节点对应的最优性能指标，通过目标邻居节点替换当前节点，跳转至所述通过所述关系模型获取当前节点的配置参数对应的当前节点性能指标的步骤，执行迭代攀爬，直至迭代攀爬次数达到预设迭代次数阈值，确定当前节点对应的配置参数为所述目标小区的优化配置参数，其中，所述目标邻居节点为：与当前节点对应的小区运行场景相似度最高的所述相似小区对应的邻居节点。

本申请的一些实施例中，根据目标小区确定当前节点，以及，根据所述目标小区的相似小区确定邻居节点之前，还包括：确定所述目标小区分别与各所述相似小区的运行场景相似度。其中，所述运行场景相似度可以为根据前述用户分布特征确定的相似度。本申请的另一些实施例中，所述运行场景相似度可以根据小区的所述配置数据、TA值等确定的相似度(例如，将小区A的配置参数的特征值与小区B的配置参数的特征值之间的相似度距离，作为小区A和小区B的运行场景相似度)。

例如，在采用爬山算法搜索局部最优配置参数的过程中，首先根据目标小区确定当前节点，根据与目标小区聚类至同一簇中的非高负荷小区(即匹配第二负荷状态的小区)确定邻居节点，调整目标小区的配置参数之后，通过训练得到的关系模型，预估对应调整后的配置参数的性能指标，并将预估的性能指标与各邻居节点对应的性能指标进行比较，确定预估的性能指标是否为局部最优。如果是，则将当前调整后的配置参数作为目标小区的优化配置参数；如果不是，则将与所述目标小区相似度最高的非高负荷小区对应的邻居节点替换当前节点，继续寻找更优的配置参数，实现逐渐向高峰攀爬的目的。如此循环直到达到预设迭代次数，得到局部最优配置参数。

子步骤1302，根据所述优化配置参数，确定所述目标小区的配置参数优化方案。

在确定了目标小区的优化配置参数之后，即可根据所述优化配置参数生成所述目标小区的配置参数优化方案。

本申请的一些实施例中，所述根据所述优化配置参数，确定所述目标小区的配置参数优化方案，包括：根据所述优化配置参数和预置的配置参数优化方案的匹配度，确定所述目标小区的所述配置参数优化方案。例如，在实施本方案的系统中，可以预设若干常规的配置参数优化方案。其中，所述预设的配置参数优化方案可以包括：解决方案的类型、与该解决方案对应的优化配置参数种类，以及，优化方案生成规则。当通过将所述优化配置参数和目标小区的原始配置参数进行比较，确定差异最大的一种或多种配置参数，之后，将确定的所述一种或多种配置参数与预设的配置参数优化方案中的优化配置参数种类进行匹配，并确定匹配度最高的配置参数优化方案。之后，进一步按照确定的所述匹配度最高的配置参数优化方案中的匹配成功优化方案生成规则，生成配置参数优化方案，并输出。

本申请的一些实施例中，所述预设的配置参数优化方案中解决方案类型和优化配置参数种类的对应关系，以及，优化方案生成规则，可以根据专家经验设置。例如，可以设置负荷均衡类型的解决方案对应的优化配置参数包括：频点，并设置优化方案生成规则为：比较各个频点的话务量，并根据比较结果输出对应的优化方案文本(例如，输出的配置参数优化方案可以为“该站XX频点的话务较低，可实施话务均衡”)。

本申请的一些实施例中，所述根据所述优化配置参数，确定所述目标小区的配置参数优化方案，包括：根据所述优化配置参数和所述目标小区的原始配置参数，确定所述目标小区的所述配置参数优化方案。例如，可以将所述优化配置参数和所述目标小区的原始配置参数进行比较，并确定差异值，之后，基于所述差异值生成配置参数优化方案。例如，可以输出差异值满足预设优化条件的配置参数及比较结果列表。

本申请的一些实施例中，所述根据所述关系模型，确定所述目标小区的配置参数优化方案之后，还包括：输出所述目标小区的配置参数优化方案，和/或，输出所述目标小区分别与各所述相似小区的运行场景相似度。通过输出所述配置参数优化方案，以及，输出高负荷小区与非高负荷小区的运行场景相似度，实现了数据处理过程和数据处理结果的可视化，为通信网络维护人员提供了有效的数据参考。

本申请实施例公开的小区配置参数优化方法，通过对负荷类KPI、TA(timeadvanced，最大时间提前量)、工参数据、小区配置数据、MR数据等数据进行分析处理，仅需10分钟，可完成数万个小区的负荷状态分析，并输出高负荷小区清单，以及，输出高负荷小区对应的配置参数优化方案等，有效节省人工优化时间，提升了小区维护效率。经过人工验证，采用本申请实施例公开的小区配置参数优化方法对小区的运行数据进行分析时，确定高负荷小区清单的准确率为100％，确定的高负荷小区配置参数优化方案的准确率能达到80％。

本申请实施例公开的一种小区配置参数优化装置，如图4所示，所述装置包括：

小区聚类模块410，用于基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区；

配置参数和性能关系模型训练模块420，用于对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，其中，所述目标簇为目标小区归属簇，所述目标小区匹配第一负荷状态；

配置参数优化方案确定模块430，用于根据所述关系模型，确定所述目标小区的配置参数优化方案。

本申请的一些实施例中，所述配置参数优化方案确定模块430，进一步用于：

通过所述关系模型预估参考所述目标小区的相似小区调整配置参数后对应的性能指标，采用爬山算法进行局部最优配置参数搜索，确定所述目标小区的优化配置参数，其中，所述相似小区为所述目标簇中匹配第二负荷状态的小区；

根据所述优化配置参数，确定所述目标小区的配置参数优化方案。

本申请的一些实施例中，所述通过所述关系模型预估参考所述目标小区的相似小区调整配置参数后对应的性能指标，采用爬山算法进行局部最优配置参数搜索，确定所述目标小区的优化配置参数，包括：

根据目标小区确定当前节点，以及，根据所述目标小区的相似小区确定邻居节点；

通过所述关系模型获取当前节点的配置参数对应的当前节点性能指标；

响应于所述当前节点性能指标为所述邻居节点对应的最优性能指标，确定当前节点的配置参数作为所述目标小区的优化配置参数；

响应于当前节点性能指标非所述邻居节点对应的最优性能指标，通过目标邻居节点替换当前节点，跳转至所述通过所述关系模型获取当前节点的配置参数对应的当前节点性能指标的步骤，执行迭代攀爬，直至迭代攀爬次数达到预设迭代次数阈值，确定当前节点对应的配置参数为所述目标小区的优化配置参数，其中，所述目标邻居节点为：与当前节点对应的小区运行场景相似度最高的所述相似小区对应的邻居节点。

本申请的一些实施例中，所述根据目标小区确定当前节点，以及，根据所述目标小区的相似小区确定邻居节点之前，还包括：

确定所述目标小区分别与各所述相似小区的运行场景相似度；

所述根据所述关系模型，确定所述目标小区的配置参数优化方案之后，还包括：

输出所述目标小区的配置参数优化方案，和/或，输出所述目标小区分别与各所述相似小区的运行场景相似度。

本申请的一些实施例中，所述配置参数和性能关系模型训练模块420，进一步用于：

根据目标簇中包括的小区的预设配置参数的特征值，构造输入矩阵，以及，根据所述目标簇中包括的小区的预设性能指标的特征值，构造输出矩阵；

采用解决多变量回归问题的机器学习模型，学习所述输入矩阵和所述输出矩阵之间的关系，得到所述目标簇对应的配置数据与性能指标数据的关系模型。

本申请的一些实施例中，所述小区聚类模块410，进一步用于：

获取各所述小区的预设用户分布特征；

基于所述预设用户分布特征，计算相应小区之间的相似度距离，并基于所述相似度距离对所述小区进行K-means聚类，确定多个簇，以及，确定每个所述簇中包括的小区。

本申请的一些实施例中，所述获取各所述小区的预设用户分布特征，包括：

基于各小区在指定时间段内的测量报告数据，获取相应小区的预设用户分布特征，其中，所述预设用户分布特征包括以下一种或多种：小区上行利用率算术平均数、小区下行利用率算术平均数、最大用户数算术平均数、用户数方差、流量方差、用户数峰度系数、小区上行利用率峰度系数、小区下行利用率峰度系数、流量峰度系数、用户数偏态系数、小区上行利用率偏态系数、小区下行利用率偏态系数、流量偏态系数。

本申请实施例公开的小区配置参数优化装置，用于实现本申请实施例中所述的小区配置参数优化方法，装置的各模块的具体实施方式不再赘述，可参见方法实施例相应步骤的具体实施方式。

本申请实施例公开的小区配置参数优化装置，通过基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区；对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，其中，所述目标簇为目标小区归属簇，所述目标小区匹配第一负荷状态；根据所述关系模型，确定所述目标小区的配置参数优化方案，可以自动输出针对目标小区的配置参数优化方案，提升了小区配置参数的优化效率。

本申请实施例公开的小区配置参数优化装置，通过结合机器学习等大数据处理方法，对小区进行小区场景分类，之后，针对各小区场景通过机器学习方法挖掘小区配置参数和性能指标的内在关系，并基于挖掘到的内在关系搜索高负荷小区的优化配置参数，并自动输出配置参数优化方案，能够快速输出高负荷小区的优化方案，提升了小区的配置参数优化效率。进一步的，通过快速、准确地为高负荷小区压降，提高了网络资源利用率。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本申请提供的一种小区配置参数优化方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其一种核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的电子设备中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图5示出了可以实现根据本申请的方法的电子设备。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。该电子设备传统上包括处理器510和存储器520及存储在所述存储器520上并可在处理器510上运行的程序代码530，所述处理器510执行所述程序代码530时实现上述实施例中所述的方法。所述存储器520可以为计算机程序产品或者计算机可读介质。存储器520可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器520具有用于执行上述方法中的任何方法步骤的计算机程序的程序代码530的存储空间5201。例如，用于程序代码530的存储空间5201可以包括分别用于实现上面的方法中的各种步骤的各个计算机程序。所述程序代码530为计算机可读代码。这些计算机程序可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。所述计算机程序包括计算机可读代码，当所述计算机可读代码在电子设备上运行时，导致所述电子设备执行根据上述实施例的方法。

本申请实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例一所述的小区配置参数优化方法的步骤。

这样的计算机程序产品可以为计算机可读存储介质，该计算机可读存储介质可以具有与图5所示的电子设备中的存储器520类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩存储在所述计算机可读存储介质中。所述计算机可读存储介质通常为如参考图6所述的便携式或者固定存储单元。通常，存储单元包括计算机可读代码530’，所述计算机可读代码530’为由处理器读取的代码，这些代码被处理器执行时，实现上面所描述的方法中的各个步骤。

本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着，结合实施例描述的特定特征、结构或者特性包括在本申请的至少一个实施例中。此外，请注意，这里“在一个实施例中”的词语例子不一定全指同一个实施例。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种小区配置参数优化方法，其特征在于，包括：

基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区；

对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，其中，所述目标簇为目标小区归属簇，所述目标小区匹配第一负荷状态；

根据所述关系模型，确定所述目标小区的配置参数优化方案。

2.根据权利要求1所述的方法，其特征在于，所述根据所述关系模型，确定所述目标小区的配置参数优化方案，包括：

通过所述关系模型预估参考所述目标小区的相似小区调整配置参数后对应的性能指标，采用爬山算法进行局部最优配置参数搜索，确定所述目标小区的优化配置参数，其中，所述相似小区为所述目标簇中匹配第二负荷状态的小区；

根据所述优化配置参数，确定所述目标小区的配置参数优化方案。

3.根据权利要求2所述的方法，其特征在于，所述通过所述关系模型预估参考所述目标小区的相似小区调整配置参数后对应的性能指标，采用爬山算法进行局部最优配置参数搜索，确定所述目标小区的优化配置参数，包括：

根据目标小区确定当前节点，以及，根据所述目标小区的相似小区确定邻居节点；

通过所述关系模型获取当前节点的配置参数对应的当前节点性能指标；

响应于所述当前节点性能指标为所述邻居节点对应的最优性能指标，确定当前节点的配置参数作为所述目标小区的优化配置参数；

响应于当前节点性能指标非所述邻居节点对应的最优性能指标，通过目标邻居节点替换当前节点，跳转至所述通过所述关系模型获取当前节点的配置参数对应的当前节点性能指标的步骤，执行迭代攀爬，直至迭代攀爬次数达到预设迭代次数阈值，确定当前节点对应的配置参数为所述目标小区的优化配置参数，其中，所述目标邻居节点为：与当前节点对应的小区运行场景相似度最高的所述相似小区对应的邻居节点。

4.根据权利要求3所述的方法，其特征在于，所述根据目标小区确定当前节点，以及，根据所述目标小区的相似小区确定邻居节点之前，还包括：

确定所述目标小区分别与各所述相似小区的运行场景相似度；

所述根据所述关系模型，确定所述目标小区的配置参数优化方案之后，还包括：

输出所述目标小区的配置参数优化方案，和/或，输出所述目标小区分别与各所述相似小区的运行场景相似度。

5.根据权利要求1所述的方法，其特征在于，所述对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，包括：

根据目标簇中包括的小区的预设配置参数的特征值，构造输入矩阵，以及，根据所述目标簇中包括的小区的预设性能指标的特征值，构造输出矩阵；

采用解决多变量回归问题的机器学习模型，学习所述输入矩阵和所述输出矩阵之间的关系，得到所述目标簇对应的配置数据与性能指标数据的关系模型。

6.根据权利要求1所述的方法，其特征在于，所述基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区，包括：

获取各所述小区的预设用户分布特征；

基于所述预设用户分布特征，计算相应小区之间的相似度距离，并基于所述相似度距离对所述小区进行K-means聚类，确定多个簇，以及，确定每个所述簇中包括的小区。

7.根据权利要求6所述的方法，其特征在于，所述获取各所述小区的预设用户分布特征，包括：

基于各小区在指定时间段内的测量报告数据，获取相应小区的预设用户分布特征，其中，所述预设用户分布特征包括以下一种或多种：小区上行利用率算术平均数、小区下行利用率算术平均数、最大用户数算术平均数、用户数方差、流量方差、用户数峰度系数、小区上行利用率峰度系数、小区下行利用率峰度系数、流量峰度系数、用户数偏态系数、小区上行利用率偏态系数、小区下行利用率偏态系数、流量偏态系数。

8.一种小区配置参数优化装置，其特征在于，包括：

小区聚类模块，用于基于用户分布特征对小区进行聚类，确定聚类得到的各簇包括的小区；

配置参数和性能关系模型训练模块，用于对目标簇中包括的小区的配置数据和性能指标数据之间的关系进行学习，得到所述目标簇对应的配置数据与性能指标数据的关系模型，其中，所述目标簇为目标小区归属簇，所述目标小区匹配第一负荷状态；

配置参数优化方案确定模块，用于根据所述关系模型，确定所述目标小区的配置参数优化方案。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的程序代码，其特征在于，所述处理器执行所述程序代码时实现权利要求1至7任意一项所述的小区配置参数优化方法。

10.一种计算机可读存储介质，其上存储有程序代码，其特征在于，该程序代码被处理器执行时实现权利要求1至7任意一项所述的小区配置参数优化方法的步骤。

Images